演講稿可以按照用途、性質等來劃分，是演講上一個重要的準備工作。在現實社會中，演講稿在演講中起到的作用越來越大，在寫之前，可以先參考範文，以下是小編為大家收集的人工智慧的演講稿，歡迎大家分享。
人工智慧的演講稿1
大家好，今天非常高興、非常榮幸能參加這樣一個盛會。今天我給帶來的演講是我的一點學習心得，題目叫做自學習的人工智慧。首先大家都知道在60週年之際，我們首先應該記住的是這位人工智慧的先驅，圖靈。在他的問題的感召下，我們就有了今天這樣的一個盛會和今天人工智慧的飛速發展。他的問題，機器可以思維嗎?可以從不同的維度來解釋，那麼首先人類對人工智慧的一個探索也可以圍繞對問題不同解釋的探索。
第一個探索，應該說是在邏輯層面的探索。60年代人工智慧的這些先驅就考慮用邏輯和搜尋來研究人工智慧，比如下棋、推理，比如說可以去做路徑規劃等等。那麼他們有一個很強的假設，這個假設應該說從某種程度上來說是非常直觀的。智慧包括計算機可能賦予的智慧，是來自於計算物理符號的排列組合，我們只要能很聰明的把這些物理符號排列組合的話，人類是可以從一系列的零和一的組合來得到。有了一些成就之後也發現這樣的假設是有它的瓶頸的。在之後大家又有一部分人著力於研究能夠有學習功能的人工智慧，就有不同的學習演算法，機器學習的計演算法被研究出來。其中包括大家都熟悉的人工神經網路。
人工智慧的幾個里程碑我們現在也很熟悉，第一個大家公認的是里程碑是深藍，這個比賽意味著幾件事。一個是說在大規模的搜尋的狀態下，在可能的狀態空間的搜尋，實際上是一個在物理符號的空間的排列組合。也就是說在60年代人們的那些假設有一部分是正確的，我們確實可以從這種搜尋和物理符號的排列組合獲得很多的智慧。
緊接著的階段是，知識就是力量，這是隨著網際網路和大資料到來的一個熱潮，從網上，從不同的媒體我們會獲得很多資料，把這些資料經過沉澱變成知識，我們就可以贏得像這樣一個電視大賽中的人機對戰。
這個之後，剛剛芮勇博士也深入的回顧了一下最近的人工智慧的突破，就是深度神經網路。深度神經網路的突破從計算上來說有幾個好處，其中一個好處是說它把一個全域性計算的需求變成一個本地計算的需求，在做到這樣的一個同時呢，又不失掉很多的資訊，這個是計算機裡面無數成就的一箇中心點。這樣的一個成功就使得我們能夠在不同的層次來觀察同一個資料，同樣就可以獲得我們所謂的大局觀。就像這個圖，我們在不同的層次可以得到不同的特徵。
這裡我們要特別強調的是人工智慧也在另外一個方面潛移默化的默默的在耕耘，這個就叫做強化學習。強化學習應該說是用來做人工智慧規劃的有力工具，但不是唯一的規矩。規劃這個領域相對深度學習應該說更古老，研究的力度也很多。但在很長時間一段處於靜默狀態，這個原因是因為它在計算上有很大的瓶頸，不能有很大得資料量。一個例子就是強化學習在很長時間以來只能解決一些玩具型的問題，非常小的資料。但是最近的一個突破是Google的DeepMind，把深度學習和強化學習合在一起，這樣的一個議題使得很多強化學習所需要突破的瓶頸，就是狀態的個數能隱藏起來。這種隱藏就使得強化學習能夠大規模的應付資料，就是說應付大資料。它突出的一點叫做端到端的學習，就是說我們在這裡看到一個計算機的遊戲，這個遊戲的影像是輸入端，輸出端就是你要進行的下一個動作。這個動作是正確還是不正確，到最後會獲得一個反饋，這個反饋不一定是現在得到，也許是後面幾步得到的。這一點和我們剛剛講的深度學習在影象上面的應用，就大不一樣。就更加複雜，更加契合人的行為，所以強化學習也是下一個突破。
我們看到這種端到端的深度學習，應用在強化學習上，使得DeepMind到今天在很古老的單人的計算機遊戲上已經把人類完全擊倒，它做到這樣是通過完全的自學習，自我修煉、自我改正，然後一個一個迭代。這個就是它迭代的一些結果，從左到右是一個時間軸，從下到上是它得到的效果。我們看到每一個遊戲它的要求都是在不斷成長的，就像我們一個學生在學習的過程當中學到的知識越來越多，這個完全是自我實現，一個自學習的過程。
包括現在的AlphaGo也應用了很多自學習的這種效果，使得我們現在終於認清原來人工智慧從60年代到20xx年的物理符號的假設，也就是說以搜尋為中心，以邏輯為中心的這種努力並沒有白費，這種努力也是需要的。另外學習也是必不可少的，像我們熟知的深度學習。所以AlphaGo對我們的啟示，就是我們把兩者結合起來，才是一個完整的智慧機器。這個我們可以叫做人工智慧的通用性，也就是說我們對於這兩個技術的某種結合，比方說多一點搜尋，少一點機器學習，或者反之我們夠可以得到用來解釋不同的人類的智慧行為。這種通用型，端到端的學習，可以用這個例子來表達。就是這個雞可以吃不同的食物，但是它下的蛋都是對人類有用的。
這裡我要特別提到一點，我們並不是找到了最後的目標，這也是在不同的人工智慧、強化學習，等等之類的實驗當中我們發現一個特點。就是我們不能完全的依靠機器去全部自動化的自我學習，至少到現在我們還沒有摸索出這樣一個路徑。這裡是大學的例子，中文是永動機器學習，就是說這個機器不斷的在網上爬一些網頁，在每個網頁裡面都學到一些知識，把這些知識綜合起來，變成幾千萬條知識，這些知識又會衍生新的知識。那麼我們看到從下到上是隨著時間，知識量的增長。那麼它到了某一個程度實際上是不能再往上走了，因為知識會自我矛盾。這個時候就需要人進來進行一部分的調節，把一部分不正確的知識去掉，讓它繼續能成長。這個過程為什麼會發生呢?是因為機器學習一個很嚴重的現象，就是自我偏差，這種偏差就可以體現在這種統計學的一個重要的概念，就是我們獲得的資料也許是一個有偏資料，我們可能建了一個模型，對大部分的資料都有用，但其中有一些特例。我們如何來處理這些特例，如何來處理我們訓練資料和應用資料之間的偏差，這個是我們下一步要研究的內容。
一個非常有希望的技術叫做遷移學習，比方說這個是在深度學習的模型上，在上面這一部分是一個領域已經訓練好的模型。那麼在一個新的領域，如果這兩個領域之間有某種聯絡、某種相似性的話，我們就不一定在新的領域需要那麼多的資料來學習，你只需要一小部分。我們之所以能做到這一點是我們可以把大部分的模型給遷移過來，我們人有這種能力，但是我們在做這種資料遷移的過程中，我們一定要牢記把這種有偏的資料偏差給消除掉。如果能做到這點我們就能做到不同形式的資料之間的知識遷移，比方說我們可以讓一個計算機來讀很多文字，這樣的一個計算機去識別影象，應該比沒有讀這些文字，直接去學習影象來的要容易。這個就更像我們人類的學習。這種學習也離不開從下到上，從粗到細這樣的一種特徵的選擇。
所以我們又得到另外一個概念，就是特徵工程。深度學習給我們的一個有力的工具是能夠自動的進行不同層次，進行大規模的新特徵的抽取和特徵的製造。那麼這種特徵在搜尋引擎、廣告系統上面，可以達到萬億級，也就是說這個已經完全不是人類所可以控制的級別了。那麼智慧在這樣的級別上才可以產生。
但是現在人工智慧仍然有一些困境，比方說如何能夠讓人工智慧來深層的理解文字，有一個著名的類似於圖靈測試的比賽，深層次理解文字，這個是在自然語言上問一些有歧異的問題，計算機如果要能正確的回答這個問題，那個模型不僅僅理解這些文字，而且要理解深層的背景文字，要理解周邊的文字，有很多文化在裡面，如何能達到這一點?也是我們需要解決的。
同時深度模型還可以把它反轉，成為一種生成膜型。它不僅可以去對資料做一個決策，它還可以自己產生資料，可以產生新的資料。比方說這個是Google的一些研究員把一個深層模型裡面的感知最深刻的那些影象給描述出來，結果是這樣的，就非常有趣的生成膜型。
剛剛講的不同數字格式之間，文字和影象之間，如果在深層實際上它們的區別已經消失了。那這樣我們就可以對影象去問文字的問題，甚至對文字去問影象的問題。這樣資料的形式也就不重要了。
如果我們達到了遷移學習的要點，我們想問下一步是不是可以把所有人類經歷過的這些學習的任務給沿著時間軸串起來，能夠讓機器向人一樣的，它的學習能力，它的智慧在不斷的增長，隨著時間。那麼它所需要學習的努力程度，樣本數也是逐漸減少的。這個也是我們在努力的一個方向。
另外最近發表了一篇文章也說明了遷移學習的重要性。這個文章叫做bayesianprogram learning，這是從一個例子就能學會，我們知道深度學習是千萬個例子的。實際上它用了我們過去沒有涉及到的概念，就叫做結構，如果我們瞭解了一個問題的結構，那麼這個結構的一個具體的形式只用一個例子就可以學會了。其他的部分，需要很多例子的那一部分可能是引數、統計，這一部分我們實際上可以通過遷移學習來學習。也就是說整個這個圓就圓滿了，就是一個閉環了。
同時人工智慧的應用也不僅僅是在影象方面，這裡的一個例子是亞馬遜的倉儲機器人。亞馬遜的倉儲機器人是在一個很大的空間，這些機器人會把這些貨架，每個貨架上面都有不同的貨品，把這些貨架偷到工人的面前，讓工人從貨架上面拿所需的貨品到箱子裡面，然後快遞給客戶。為什麼是這樣呢?因為現在的機器人技術在選擇，從貨架上選擇物體還遠遠不如人的熟練程度，但是它在路徑規劃，在機械的啟動、抬起、放下已經超過人了。所以亞馬遜的就很聰明的把機器的優點和人的優點結合在一起，變成一個新的商業模式。如果過去建一個倉儲在支援這個城市亞馬遜所有的物流的話，需要三個月時間，他用了這個把所有的傳送帶拆掉，變成機器人以後只用三天時間，這個收益是非常巨大的，也就是我們可以借鑑，可以拓展的一個經驗。
下面要講的，不僅在機器人，在影象識別，實際上在我們的生活當中，人工智慧已經深入了。這裡舉的一個例子是我和我的一個學生戴文淵，建的一個公司，第四正規化，這個公司可以讓過去在金融領域只能由人來服務重要的客戶，由人工智慧來把這個能力拓展到幾千萬人，讓每個人都享受到優質的金融服務。這是一個非常大的工程。它背後的技術就是機器學習，我們所熟知的深度學習、知識學習、強化學習。
最後我要說幾點，我們看到這麼多人工智慧的努力，人工智慧的有失敗的時候，有成功的時候，我們到現在能總結出什麼經驗呢?我覺得現在的人工智慧的成功離不開高質量的大資料，但是並不是未來的人工智慧的成功一定需要大資料。那麼我們下面要問是不是在未來有小資料也可以讓人工智慧成功，這就是今天我覺得在大學裡面應該做的一個研究，在工業上大家還在開疆拓土，利用大資料的優勢在發現新的應用利於。
第二個，就是要培養出更多的人工智慧的人才。這些人才才可以來設計演算法，這個也是我們今天在大學裡面需要努力的一個方向。當然這些都離不開計算能力。
所以從這幾點上來看人工智慧的努力也不是像有些人說的，今天的人工智慧的發展完全在工業，人工智慧的發展也應該一部分依靠大學，一部分依靠工業。就像我們所說的大資料和人才的培養，小資料的研究。那麼大資料的開疆拓土更多的應用，和更多的計算能力，確實來自於工業。所以這兩種結合我覺得是我們今後發展的一個方向。
最後我要說一點，就是說我們應該說已經瞭解很多深度學習了，這個可以作為我們昨天的一個成就。那麼今天我們在剛剛開始去獲得強化學習的一個紅利，那麼這個可能還不是在很多的領域得到應用的，但是我要告訴大家的是，強化學習比大家想象的要更有用，比方說它不僅僅是在圍棋或者是在計算機遊戲上。在金融，在我們日常生活當中，甚至在教育上，機器人的規劃都離不開強化學習。那麼這些應該說都是富人的遊戲，也就是說只有富人才能有這麼多的大資料，有這麼多的計算量去支援深度學習和強化學習這樣的實際應用。那麼我們明天要看到的應該是遷移學習，因為遷移學習能夠讓我們把大資料得到的模型遷移到小資料上面，使得千千萬萬的人都能夠受益，也就是說人人都能享受人工智慧帶來的紅利。我今天講到這兒，謝謝大家。
人工智慧的演講稿2
----一個叫阿爾法狗的智慧機器人戰勝了人類的圍棋高手李世石，這件事情讓很多人感到恐慌。我的一位朋友說，阿爾法狗徹底改變了她的世界觀。未來人類該怎麼辦？教育該怎麼辦？今天我們就來說說這方面的話題。
----首先我們先了解一下什麼是人工智慧？最開始電腦科學家們想讓發機器人能像人那樣思考，他們想讓計算機網路像人的大腦神經網路一樣工作。但其實人類對自己到底是如何思考的至今也沒有弄清楚，所以按照這種思路開發的人工智慧進展不大。
----後來一些科學家轉變思路，開始讓計算機按照自己的方式思考。他們讓計算機學習大量的資料，然後分析各種資料之間的相關性，從相關性中發現規律。
----比如阿爾法狗就是學習了人類圍棋高手的大量的對弈棋譜，找出每一種下法與最終獲勝的概率之間的關係，然後選擇獲勝概率最高的那一種下法，並且自己與自己反覆練習，人類在這樣的智慧機器人面前完全沒有獲勝的希望。
----因為人類不是這樣思考的，人類不可能記住那麼龐大的資料，也不可能進行那麼複雜的計算。人類思考是基於分析推理的，是從小樣本研究中發現因果關係，有時還要依賴直覺。既然是小樣本，就有可能出現抽樣誤差；直覺有很多時候也是錯的。而且人類還要受體力精力和情緒的影響，很難不出差錯。所以我們現在已經不好意思說，計算機是人工智慧了，更準確的說法是機器智慧。
----事實上，機器智慧在很多方面已經超越了人類智慧，它甚至能替代人類完成很多以前只有人才能完成的工作。專家預言，未來有很多職業會消失，其中包括教師！
----舉個例子，現在學校里老師教國小生認字，要告訴他們這個字的讀音、書寫的方法、字的意思是什麼，可以組成哪些片語等等。未來會有一款智慧機器人一對一地教孩子們做這些事情，它可以發出中央電視臺播音員的聲音，也可以發出孩子們喜歡的明星或爸爸媽媽的聲音，它的筆順永遠不會寫錯，而且從來不會不耐煩。事實上現在有些電腦學習軟體已經可以部分完成這樣的工作了。
----又比如說，數學的公式、物理的定律、化學的反應式、歷史事件與人物，這些中國小教科書上的知識，智慧機器人能不能教呢？我相信大家也說能！不僅能教，而且會比人類的教師教得更好，它可以把各學科教學名師的知識和經驗都深度學習一遍，然後根據學生學習的表現，選擇最合適的指導方法。這跟阿爾法狗學習下圍棋沒有多少本質上的不同。
----到了這個時候，還有多少人認為教師的職業不會消失呢？即使教師的職業不會消失，今天教師的大部分工作將被智慧機器人取代，這一點應該沒有多少人懷疑了吧？
----如果教師的大部分工作都被智慧機器人取代，那麼學校會不會消亡呢？這是一個更讓人揪心的問題。
-----我們現在的教育體系，是工業時代的產物。工業時代需要培養大量的流水線上的工人，和各行各業的專業人士。這些職業都有一定的標準和規範，需要從業者牢記這些標準和規範，以便在做這類重複度很高的工作時，效率高，不容易出錯。
人工智慧的演講稿3
剛才大家對機器人開車有一點想法，好像總是感覺不靠譜。汽車——這個曾經被稱之為改變了世界的機器，今天受到了人們的質疑，最大的問題是，汽車成了人類的第一殺手。我們做一個簡單的調查，你的親人、朋友、親人朋友的朋友，在這個大朋友圈裡，你有沒有發現，其中會有一個人曾經受到過汽車事故的傷害？我看到有人點頭了，人類開車，更多的情況下，不是汽車的動力學效能不好，而是人有更多的智慧要釋放，他要看路邊的美女好看不好看，結果壞事了，這叫做注意力轉移。情緒不穩定，不是我們注意一點就可以的，因為人是個認知主體，他一定要開小差的，他一定要睡眠的，他一定會疲勞的，所以車禍的百分之八十左右都是人為事故，不是車子不好，所以人們對這個人類殺手是耿耿於懷的。我們發明了汽車，為什麼讓它造成我們的不幸呢？
人們對汽車的最大意見應該是把駕駛者的活，交給計算機、交給人工智慧、交給科學技術。所以我們就千方百計地提高無人駕駛的可靠性、安全性。經過我們的初步估算，人開車的可靠性是十的負三次方，千分之一；而如果改成機器人開車，計算的結果是十的負五次方，比人開車的事故率會降低百分之一，所以安全問題就解決了。
大家都比較關注剛才看到的那些攝像頭，這些攝像頭大概跟手機的那個攝像頭的價格差不多，一兩百塊錢就可以了。但是，要想看紅綠燈，看高速行駛的障礙物，這個攝像頭還是需要有一些特殊能力的，比如說高動態。大家知道攝像頭的一個最大問題就是光照，夜間要開車，大霧天也要開車，所以攝像頭的難度很大。我想告訴大家光有感測器還不夠，這就是認知的作用，智慧車本質上就是駕駛認知的形式化，需要一個腦子來認知。
重點是要講一下駕駛腦。我們去年用一輛大客車和幾輛小轎車，從鄭州到開封實現了全程的無人駕駛。我們課題組利用這麼多年的時間專門從事駕駛腦、駕駛認知的形式化，還是嚐到了一些興奮點，這件事情不是那麼容易的。鄭州到開封的實驗成功之後，美國一個叫做“連線”的網站給我們做了個評論，它說：谷歌那個小車子叫smart car，固然性感，大車子也性感，我才知道智慧公交車，還可以用“性感”這個詞來形容。在智慧駕駛當中，我們實際上走了很多的路程，20xx年，我們從北京到天津，在高速公路封閉的道路上做無人駕駛，大家可以看一看這段視訊，是三四年前的`事情了。
當時的媒體也很震驚，覺得我們從北京到天津無人駕駛很了不起，其實震驚的不應該是這件事，而是我們汽車的頭頂上沒有頂美國的64線鐳射雷達。我們用的比較簡單的雷達就把它做到了，我覺得這一點還是值得驕傲的。很多開車的朋友都說開車是個樂趣，是人追求驚喜歷險的樂趣，我們用上海汽車集團的一輛新概念車叫iGS，做了一個賽車考駕照的科目，叫做十八米繞樁，既要快又不能碰到錐形標。你看，又要快又不能碰到這個錐形標。智慧駕駛是個不可改變的方向，我們人要坐在車裡面幹什麼呢？優雅地享受移動生活呀，這多好呀。
人工智慧六十年了，今天我們來看人工智慧在我們這一代人身上到底發生了多大的變化。今年AlphaGo圍棋跟九段圍棋手李世石下了五盤，四比一贏了，震撼了全世界。不知道在座的有沒有看看這個圍棋現場，我想問一問，圍棋是我們中國的傳統文化，在座的會下圍棋的舉下手，還是少了一點。AlphaGo圍棋能贏，反映了我們人工智慧在奔跑的道路上已經有了一個新的里程碑。我想了一下，你到汽車裝配廠，到很多生產線去看，都是工業機器人在幹活，這是一個方面，所以我們國家提出了智慧製造20xx。另外還有一個方面，就是農業。大家知道由於現在我們國家的城鎮化，使得很多農村人到城裡來了，尤其是青年人。中國的下一代農民的平均年齡你們想過沒有，可能是多少歲？
我先告訴你們兩個數字，日本的農民的平均年齡是65歲，美國的農民的平均年齡是60歲，中國的農民將來可能是50歲。年輕人都出來了，那靠什麼呢？下一代的新農民就是無人拖拉機、無人收割機、農用無人機。所以我們可以憧憬一下，人工智慧給我們的精準農業、智慧農業展示了很好的前景。尤其是服務機器人，我家裡有個鬧鐘，六點鐘就響，在一定程度上也可以叫作叫醒機器人，只不過比較簡單。如果你家裡有很多家務活，而一個人有十個機器人為你服務，我們不是可以更加有尊嚴、更加優雅、更加有智慧地生活嗎？所以我的觀點是：大家對人工智慧還要多想一點，就像我們對科學要有一顆敬畏之心一樣，對人工智慧也要有一顆敬畏之心。我們一定可以與機器人共舞，而且在共舞的過程當中，我想人類還是領舞者。
人工智慧的演講稿4
尊敬的老師，親愛的同學們：
大家好！
我們不難發現，在這個人工智慧已悄然來臨的時代，比起去擔心我們會不會被人工智慧所“統治”，我們更應該擔心的，是自己會不會被其“同化”
蘋果公司總裁庫克，對人工智慧的降臨會不會使人類像計算機一樣思考而失去了價值觀和同情心從而導致罔顧後果也表達了同樣的擔心。從庫克的擔憂中我們很容易就可以分析出，他認為人類於人工智慧而言所擁有的絕對優勢就是人類的價值觀與同情心。用更通俗一點的話來說，就是人情味兒。而若從哲學的角度上說，人類所具有的判斷事物價值從而決定自己行為與對人或事的關愛，這是人工智慧所無法達到的。但可怕的是，如果有一天，這些東西從我們的生活中離開，那我們所面對的，不就是一個冰冰冷的世界了？
其實也不用那麼悲觀，這不是一道單選題，非要人類與人工智慧之間拼個你死我活。在羅振宇的跨年演講《時間的朋友》中，他提出的五隻黑天鵝概念之一就是人工智慧時代。他認為有一部分人對於人工智慧太負面了。我們都說事物是具有矛盾性的，人工智慧亦是如此。而更重要的是我們要抓住其中的主要矛盾方面，我們一定不能忘記人工智慧給我們帶來的“利”。前不久阿里巴巴線上下嘗試開辦了一個”自助超市“，體驗過的人無不驚歎其高效、快捷。通過人臉識別掃描等操作就可以完成自助購物。在今後的生活中，這樣的自助模式會越來越常見。比起生活更便捷，也許有很多人擔心會不會有越來越多的崗位被人工智慧所頂替，失業率會上升。其實我們完全可以把人工智慧變成一種資本，讓它為我們服務，而我們為它們創造價值。
前不久同樣令人關注的還有阿爾法GO擊敗人類，記得在《開學第一課》上，節目組請到柯潔，他說被阿爾法GO擊敗這其實沒什麼，它的成功是人類創造程式後輸入無數資料再進行統計計算所得到的。可我們不一樣，我們是有思想的血肉之軀，我們的世界並不是人工智慧那樣非黑即白、冷酷無情的，我們是帶有主觀情感的高階生物。我們與人工智慧是有本質區別的，但同時，我們也都有自己存在的意義。
在人工智慧不斷髮展的這個時代，我們對人工智慧的前景充滿希望。而在對於未來人工智慧會帶給我們什麼還未可知的情況下，我們仍應保持積極的心態去面對，將兩者放於一個平等的地位。此時我們能做的，就是堅持自己的價值觀，保持著自己的這顆同情心，做事三思而後行，而不是像人工智慧那樣用冰冷的程式程式碼計算後再得到結果。
人工智慧的演講稿5
我在的部門在百度叫做深度學習實驗室，這是20xx年的時候在百度成立的專注於深度學習的實驗室，應該是全世界在工業裡面第一個專注於深度學習研究的實驗室。我今天要和大家分享的首先是看一下最近幾年來人工智慧在影象語言方面的最新的進展，以及分享一下我對人工智慧目前它缺少的東西，以及以後我們未來可以去繼續工作的方向。
人工智慧這個概念最近幾年非常火，我們看到人工智慧傳統的一些研究方向，像計算機視覺，還有語音識別，這些方面在最近幾年都有了過去幾十年不可想象的巨大進展。尤其是上個月Googel的AlphaGo和李世石下的那盤棋以後，更是激起了大家對人工智慧高度的熱情。為什麼人工智慧在最近幾年有快速的發展呢?一個最重要的原因就是我們通過了幾十年的積累，我們現在已經有了非常可觀的計算能力，同時在這個計算能力的基礎上，可以在一個可接受的時間內處理大資料。我們最近幾年因為深度學習的發展，給我們提供了一個非常靈活的，非常具有建模能力的學習系統，正是因為這兩者的結合，它能夠把我們大資料後面蘊藏各種豐富複雜的關係，能夠把它提取出來。從而成為我們人工智慧快速前進的巨大推動力。
因為看到深度學習的巨大潛力，百度也投入了非常多的力量來開發一個深度學習的訓練和運算平臺。這個平臺叫做PADDLE。那它的目的就是為了把深度學習更好的應用到百度的各種產品裡面去，讓它更方便的，更好的提高我們的使用者體驗，提高智慧度。我們這個深度學習的平臺能支援各種豐富的資料型別，比如說像二維影象資料，或者是詞的訓練資料，尤其像工業界非常重要的上千億的稀疏資料，也能非常有效的支援。
另外也提供了非常靈活的建模表達能力，能非常方便地根據他應用的需求，配置出不同的深度學習的模型。比如說一個迴圈網路，或者是處理影象的卷積網路，任何靈活的組合都可以在我們這個平臺上面很方便的配置出來。
因為在百度我們有非常大量的運算資源，為了能夠充分的應用我們的運算資源，我們這個平臺也非常高效的進行多機的訓練，這樣也能很有效的處理我們的大量的資料。
因為有了這麼一個非常高效，非常靈活的計算深度學習的平臺。百度最近幾年把深度學習運用到了產品的方方面面。比如說核心的搜尋和廣告這樣的產品，還有可能不太想到的，像資料中心的智慧控制，病毒的查殺，這種產品裡面我們都成功的把深度學習應用到上面去，提高我們產品的體驗。
隨著深度學習的逐步在各種人工智慧問題裡面的更深入的使用，我們現在開始看到機器在一些很特定的感知問題上，它的能力已經在逐漸接近甚至超過了人類的水平。比如語音識別，我們百度的語音搜尋，在比較短的文字，和上下文沒有太大關係的語音識別這種任務，我們百度的語音識別系統做到明顯比人好的程度，錯誤率不到6%，而人的任務上的錯誤率可以是接近了10%。因為實際上在沒有上下文關係的情況下，這是非常難的任務。
還有另外一個例子就是人臉識別，也是隨著深度學習的使用，人臉識別這個東西也是最近幾年有了非常大的提升。人臉識別一個最核心的任務，就是給兩幅圖，你要判斷是否來自同一個人，包括百度在內的很多公司還有研究團體，都取得了明顯比人好的水平。能看到我們的機器錯誤率現在非常低，只有0.23%，而人的任務率是0.8%，現在已經不及機器了。
還有像其他一些影象識別的任務，在最近幾年也都有了非常快速的進步。比如說細粒度影象識別，在一類物體裡面我們還要區分它子類，比如說在狗裡面要區分各種不同的狗。這樣的任務實際上是比更普通的物體識別更難，因為要對物體細緻的特徵有區分。這樣一個任務上在20xx年的時候，我們最好的系統錯誤率都還是50%，到了20xx年錯誤率就降到20%，可到今年最新的結果錯誤率就降到10%幾。像這種細粒度的物體是別人是很困難的，人是很難認識200多種狗的。
下面我們談一些語言方面用深度學習的進展。我們知道其實語言是人類智力的核心的體現。我們是用深度學習的思想來處理語義理解的任務。傳統在語義理解的任務裡面，基本上是要分好幾步走的過程。首先要通過詞法解析、語法解析，然後構造各種人為的特徵，然後得出語義分析的結果。深度學習的理念就是端到端的，從最原始的資料開始的，這裡就是一個詞的序列開始的，我們不考慮任何的人為的特徵構建，就直接用一個完整的模型，得出我們想要的結果。我們人對這個問題的理解，主要是體現在我們模型的結構當中。這樣的思想，過去幾年在影象識別、語音識別裡面都給他們帶來了巨大的提升。我們在語音理解這樣的任務裡面，也做到了比傳統方法好的結果。
另外一個非常好的，端到端的深度學習，在自然語言處理裡面非常成功的應用，就是機器翻譯。端到端的機器翻譯的做法，是20xx年的Google首次提出來了，因為是一個新方法，大家認為很有潛力的。但是剛提出來的時候還是比傳統的方法有明顯的差距。但僅僅過了一年以後，就能夠達到了傳統方法的質量。今年的結果已經比傳統的方法好了。一旦我們用好了以後，就可以對它各種效果有非常快速的提升。
除了語言其實最近和語言相關的比較熱點的研究方向，就是把語言理解還有影象識別，語言生成這些傳統的人工智慧比較隔離的研究方向，有機的組合起來，用一個完整的深度學習模型來處理。通過這樣的一個整體的模型，我們機器就可以比較更自然的學到語言和它感知到的物理世界的聯絡。
像這樣的統一的視覺語言統一的模型，我們有一些例子。第一個就是看圖說話，給了圖以後，說出一個非常自然的描述，“一輛火車沿著森林間的鐵軌駛過”。也可以對影象的自然語言的提問，給出一個合適的答案。甚至也可以理解視訊，看到一段視訊以後也可以給對這個視訊做出描述。這個工作我們在百度是屬於比較早的開始，現在也有很多研究機構在做這樣的視覺和語言統一的研究。
深度學習最近還有一個事，就是現在向更深的模式發展。在去年影象識別比賽上面，我們看到獲獎最好的一個模型是微軟開發的深度達到150多層的深度模型。另外我們在翻譯上也發現，隨著模型深度的不斷加深，翻譯效果也是變得越來越好。
深度學習最近還有另外一些研究的熱點，就是所謂的推理、注意力、記憶，這方面是偏向於人類認知能力的，希望把這樣的一些機制能放在深度學習能力模型裡面來。特別是在這裡面注意力這樣的機制，在一些實際的應用裡面也取得了非常好的效果，比如細粒度的影象識別，或者翻譯的任務。像記憶的機制，現在還是比較初期的階段。
深度學習給AI帶來了快速的進展，但我們還有很多的路要走。人工智慧這個概念是1955年的時候John McCarthy提出的，同時還有3位重量級的研究人物。他們說了要用10個月花兩個月時間，對人工智慧做一個非常巨大的進步，實際上我們現在看到他這個是遠遠低估了人工智慧的難度。現在的人工智慧還有很多的缺陷，人類智慧一個最核心的點就是自我學習和創造的能力，我們看到現在有很多具體的智慧的系統，比如說AlphaGo，它還缺乏一種自我學習和創造的能力。比如說來了一個新的棋給他學，還需要大量的人蔘與工作，才可以改造。而人就不需要，人可以自己主動的學習各種新的任務。
最重要的一點就是說現在人工智慧還缺少一種從少量標註資料學習的能力，一個例子比如說影象識別，ImageNet裡每個物體種類有幾百幅圖，一個小孩要認識一種東西可能幾幅圖足夠了。還有英法翻譯的訓練資料，人可能需要幾萬個小時能閱讀完，但如果你是說英語的，掌握法語的話可能只需要幾百小時。所以看到現在的深度學習缺乏少量標註學習的能力。
那麼最核心的一點就是我們需要有對環境的一個非常好的表示，就是說我們需要通過非常大量的資料太能學習出來，非監督學習的機制，才能讓我們有效的利用到大量的非標註的資料，進行非監督學習方式的一個最行之有效的方法，就是用它來預測未來。我們知道預測未來的能力是人智力的核心體現。比如說物理學是一個對簡單系統的預測，人類的智力包括機器學習，是一個複雜系統的近似預測。如果我們通過這種預測未來的學習方式，就可以有效的掌握環境的規律，所以得到有效的表示。
我們現在的人工智慧系統缺乏常識，剛才李院士也講了很多的自動車，我們在座的很多人開車可能開幾百公里就非常好了。但大家知道我們現在最好的Google的自動駕駛車，現在已經開了超過了200多萬公里，但既使是這樣，現在還是不能夠去駕車。最核心的問題是缺乏一種像人這樣的常識，就是說它遇到很多路況對人是非常簡單的，人看到就知道怎麼做。但機器缺乏常識性的理解，就只能通過人一條一條把每種路況匯入系統裡去。要想解決這樣的問題，我覺得有效的方式就是放到真實的環境裡面學習，像這樣的概念最近在Facebook和微軟也提出了這樣的想法，他們提出創造一個虛擬的模擬環境，讓人工智慧體在這個環境中自己去探索，然後就可以在這樣和環境的互動中，就能比較有效的建立它常識一樣的東西。
還有另外一個主要的侷限之處，就是通過資料來學習。我們現在所有的東西首先要考慮蒐集資料。我們人來學習，比如說要區分這樣兩種不同的鳥，需要收集大量的資料，從資料裡面自動總結出規律出來。實際上我們人會告訴他，可以看到這兩個圖的區別，人可以用非常精煉的語言告訴其他人。而現在的機器學習還非常缺少有效的能夠利用人的知識的途徑。
我認為如果要解決這樣的問題，我們需要把語言作為機器學習系統一個基礎的能力，否則的話我們就很難做到能夠把人類大量的知識傳遞到機器裡面去，然後同時來說我們需要這個機器能夠理解語言，這樣我們才能夠表達人類的需求，能夠幫助他的理解。旁邊這就是一個電影裡面的人在教機器人來學習讀書。
我們要做真正像人這樣的非常強大的人工智慧，可能我們需要從最基礎的東西開始做起。我們需要做的是像幼兒一樣，讓他自主在一個環境裡面去學習感知，學習他的行動的一些基礎的技能，同時把學習語言作為一個最核心的東西，包含在這樣的一個系統裡面。這些就是大概我的分享，我們還有非常多的困難，但是我覺得也給我們帶來非常多的機會，我也希望有更多人和我們一起探索人工智慧非常有意思的問題，去創造我們人工智慧的未來，謝謝大家。
